Высокоразрешенные данные о глубине снега критически важны для гидрологического моделирования и предсказания бедствий. В настоящее время высокочастотные данные о глубине снега обычно поступают из пассивных микроволновых данных, но из-за низкого пространственного разрешения пассивных микроволновых данных они также не могут удовлетворять потребности региональных исследований в области гидрологии и бедствий. На основе многоканальных данных дистанционного зондирования, таких как инфракрасные и микроволновые данные, в этом исследовании был разработан алгоритм инверсии глубины снега на основе комбинации моделей глубокого обучения FT-Transformer (Feature Tokenizer + Transformer) и модели микроволнового радиационного переноса снега SMRT(Snow Microwave Radiative Transfer). Используя глубинное обучение для проецирования сложной нелинейной связи между характеристиками, такими как яркость температуры AMSR 2 TBD(Brightness Temperature Difference), дни покрова снегом SCD(Snow Cover Days) и доля площади покрыта снегом SCF(Snow Cover Fraction), и глубиной снега, сопряживали модель SMRT(разработывали радиационный транспорт микроволн) с извлечением признаков для обратной инверсии глубины снега и провели обучение модели и валидацию на данных 39 станций в Северном Синьцзяне для получения уменьшенной до 500 м глубины снега в этом районе. Результаты валидации показали, что внедрение независимой проверки SCD может улучшить модель на 18% и способствовать повышению пространственной обобщающей способности; ESG(Effective Snow Grain size) значительно повысил точность инверсии снежной глубины глубокого обучения на 6,82 см, улучшившись на 15% по сравнению с моделью без ESG, одновременно существенно улучшивая андерэстимейтинг глубокого снега. Временной анализ показал, что ESG соответствует изменяющемуся направлению измеренной глубины снега, что может ограничить и оптимизировать стабильность обратной инверсии снеговой глубины модели. Наконец, по сравнению с существующими продуктами глубины снега AMSR 2, ERA5-Land и SDDsd, данное исследование показало наилучшую точность уменьшенной глубины снега, RMSE(Root Mean Square Error) составляет 6,51 см, и более точное пространственное распределение снежной глубины, что отражает сложную гетерогенность снежной глубины в горной местности. Это исследование может предоставить надежный метод инверсии глубины снега высокой пространственного и временного разрешения для гидрологического моделирования и предсказания бедствий.

Дистанционное зондирование; глубина снега; алгоритм уменьшения масштаба; глубокое обучение; SMRT; AMSR 2; дни покрытия снегом